声明
摘要
缩略语表
第1章 绪论
1.1 研究目的及意义
1.2 淡水鱼新鲜度的传统检测方法
1.3 近红外光谱技术在鱼类新鲜度检测中的应用现状
1.4 机器视觉技术在鱼类新鲜度检测中的应用现状
1.5 研究内容和技术路线
1.5.1 研究内容
1.5.2 技术路线
1.6 本章小结
第2章 基于近红外光谱技术的淡水鱼新鲜度检测
2.1 近红外光谱分析基础
2.1.1 近红外光谱分析原理
2.1.2 近红外光谱分析步骤
2.2 近红外光谱分析方法
2.2.1 样本集划分方法
2.2.2 光谱预处理方法
2.2.3 建模方法
2.2.4 模型评价方法
2.3 试验材料和方法
2.3.1 淡水鱼样本的选择
2.3.2 近红外光谱仪及光谱采集方式
2.3.3 挥发性盐基氮(TVB-N)的测量
2.4 挥发性盐基氮(TVB-N)定量分析模型的影响因素
2.4.1 样本划分方法及光谱预处理方法对建模结果的影响
2.4.2 鱼鳞对建模结果的影响
2.4.3 光谱采集部位对建模结果的影响
2.4.4 最佳新鲜度检测条件的确定
2.5 贮藏时间定量分析模型的影响因素
2.5.1 鱼鳞对建模结果的影响
2.5.2 光谱采集部位对建模结果的影响
2.5.3 最佳新鲜度检测条件的确定
2.6 本章小结
第3章 基于特征波长选择方法的新鲜度定量分析模型优化
3.1 近红外光谱特征波长选择的意义
3.2 常用的波长变量选择方法及其原理
3.2.1 遗传算法(GA)
3.2.2 连续投影算法(SPA)
3.2.3 竞争性自适应重加权算法(CARS)
3.3 TVB-N值定量分析模型的优化
3.3.1 基于遗传算法的模型优化
3.3.2 基于连续投影算法的模型优化
3.3.3 基于竞争性自适应重加权算法的模型优化
3.3.4 TVB-N值定量分析最优模型的确定
3.3.5 基于TVB-N值定量分析最优模型的淡水鱼新鲜度评价
3.4 贮藏时间定量分析模型的优化及最优模型的确定
3.5 本章小结
第4章 基于机器视觉图像特征的淡水鱼新鲜度检测
4.1 机器视觉技术
4.2 数字图像处理技术
4.2.1 图像滤波
4.2.2 图像分割
4.2.3 图像形态学处理
4.3 基础颜色模型
4.3.1 RGB颜色模型
4.3.2 HSI颜色模型
4.4 图像采集系统
4.5 图像采集
4.6 上山法结合区域生长法的鱼眼区域颜色特征提取
4.6.1 上山法
4.6.2 区域生长法
4.6.3 颜色特征的提取
4.7 颜色特征与TVB-N值及贮藏时间的一元线性分析
4.7.1 颜色特征与TVB-N值的一元线性分析
4.7.2 颜色特征与贮藏时间的一元线性分析
4.8 颜色特征与TVB-N值及贮藏时间的多元线性分析
4.8.1 颜色特征与TVB-N值的多元线性分析
4.8.2 颜色特征与贮藏时间的多元线性分析
4.9 颜色特征与TVB-N值及贮藏时间的多元非线性分析
4.9.1 BP人工神经网络
4.9.2 基于BP人工神经网络的颜色特征与TVB-N值多元非线性分析
4.9.3 基于BP人工神经网络的颜色特征与贮藏时间的多元非线性分析
4.9.4 基于BP人工神经网络的淡水鱼新鲜度评价
4.10 本章小结
第5章 基于近红外光谱和机器视觉信息融合的新鲜度检测
5.1 淡水鱼新鲜度检测信息融合的必要性
5.2 常用的多源信息融合方式
5.2.1 原始数据层融合
5.2.2 特征层融合
5.2.3 决策层融合
5.3 常用的多源信息融合方法
5.3.1 模糊逻辑
5.3.2 人工神经网络
5.3.3 支持向量机
5.4 基于BP人工神经网络信息融合的淡水鱼新鲜度检测
5.4.1 光谱特征信息的提取
5.4.2 图像特征信息的提取
5.4.3 基于BP人工神经网络数据融合模型的建立及预测
5.4.4 基于BP人工神经网络数据融合模型的新鲜度评价
5.5 本章小结
第6章 结论与讨论
6.1 结论
6.2 讨论
参考文献
致谢
硕士研究生期间的科研工作